一种融合随机森林算法的设施光环境调控方法技术

本发明专利技术是一种融合随机森林算法的设施光环境调控方法，针对目前常用的光合速率模型(多元回归、线性拟合等)存在的拟合度低，拟合公式复杂等问题，采用改进鱼群算法的光合速率模型寻优方法，建立融合随机森林算法的光合作用调控模型；针对传统嵌入式光环境控制系统不能直接加载智能算法模型、设备的可靠性低、系统响应慢等问题，设计一种可以实现算法移植的树莓派系统框架和平台体系，该设备主要由树莓派主控节点、传感器监测节点和LED调光节点组成，各节点之间通过ZigBee无线技术实现信息交互；该发明专利技术有效地弥补了传统设施农业中补光系统的不足，在设施光环境调控中具有算法移植性好、补光过程响应快、设备可靠性高、系统升级方便等优势。

【技术实现步骤摘要】
一种融合随机森林算法的设施光环境调控方法
本专利技术属于智能设施农业
，特别涉及一种融合随机森林算法的设施光环境调控方法。
技术介绍
我国设施蔬菜栽培面积占世界总面积的90％以上，已成为我国现代农业的重要组成部分。尽管我国设施管理技术水平逐年提升，与发达国家相比仍存在较大差距，设施蔬菜单位面积产量仅为荷兰的1/5-1/3，其中生产过程中光合速率低是造成该现象的关键因素。光是温室作物进行光合作用、形成温室内温度与湿度条件的能源。其中部分地区由于冬、春季节低温弱光、阴雨低温天气较多，再加上温室覆盖材料不清洁或老化导致透光率较低，设施内光环境参数(包括光质和光子通量密度)通常低于光合作用最低需求，导致作物生长发育减缓、各种病虫害发生几率增加，造成落叶、发花数量少、花形花色不正、坐果率低等问题，严重影响作物产量和品质，特别是近期出现的LED光源技术，其一定程度避免热量高、耗能大、不能定量调节亮度，光质、光子通量密度难以调控等传统补光设备的问题，基于LED的设施补光技术已成为设施补光研究的热点，出现了各种基于LED的设施补光设备，一定程度提高了作物品质和节能效果。近年来，设施光环境调控得到了广泛的研究，出现了融合了光合因子调控模型，其大部分调控模型都是通过非线性回归的方法，把环境的温度作为自变量，光合速率模型中输出的光饱和点作为因变量，构建了任意温度光饱和点的动态获取，从而得到相应的PFD值；由于实际的模型中加入二氧化碳因素后，模型的精度降低、复杂度明显提升，使得模型的运行时间变长，最终导致整个光调控系统响应的慢、调控值精度低，所以目前一般的调控系统未考虑二氧化碳对最终光饱和点的影响；综上所述现有的设施光环境调控通过模型拟合好的公式嵌入到控制系统中，使得算法的适应性低、模型的可移植性差、调控过程不精准、设备响应速度慢等问题。因此，寻找一种调控精度高、复杂度低的智能算法将成为解决这个问题的关键；随机森林算法相比其他算法不需事先设定函数形式，能够克服协变量之间复杂的交互作用，可以处理高维度数据，数据处理时间短，具有较高的预测性，目前，随机森林算法主要应用于计算机视觉领域、医学领域、生态学领域等，本专利技术将随机森林算法引入到设施光环境调控中，设计了一种融合随机森林算法的设施光环境调控设备，以弥补现有的设施光环境调控系统的可移植性差、设备的可靠性低、系统响应慢、能耗高等问题。
技术实现思路
为了克服上述现有技术的缺点，本专利技术的目的在于提供一种融合随机森林算法的设施光环境调控方法，以弥补现有的设施光环境调控系统的可移植性差、设备的可靠性低、系统响应慢、能耗高等问题。为了实现上述目的，本专利技术采用的技术方案是：一种融合随机森林算法的设施光环境调控方法，包括如下步骤：步骤一：根据植物生长过程中，光、二氧化碳和温度的变化对植物光合速率的影响，关联温度、光照、二氧化碳浓度环境因子，使用BP算法建立光合速率预测模型，其次采用改进鱼群算法对光合速率模型进行寻优；步骤二：通过步骤一中寻优算法找到不同温度和二氧化碳条件下的光饱和点，建立融合随机森林算法的光环境调控模型，并通过对随机特征策略选取，聚集大量分类树，提高随机森林模型的预测精度；步骤三：搭建一种可以实现模型移植的树莓派系统框架和平台体系，在调控过程中，实现对智能调控算法的跨平台移植，其设备的硬件结构主要由树莓派主控节点、传感器监测节点和LED调光节点组成，将各节点之间通过ZigBee无线技术实现信息交互，内部采用模块化设计思路；步骤四：完成上述步骤的模型建立和智能算法的跨平台移植后，在实际的调控过程中，通过参数选择界面对调控对象的基本参数的选择，监测节点实时反馈环境情况，直接调用保存好的随机森林模型，在界面中就可以看到模型计算出此时的光环境调控的目标值，通过与环境的输入光照强度比较，计算出当前环境实际需要的光子通量密度值,并将其转化为脉宽调制控制信号，控制LED补光节点根据实际光环境完成动态、精确调控。所述步骤一中，光合速率预测模型与寻优模型构建的具体步骤如下：步骤1：根据调控模型实验方案，使用BP算法建立光合速率预测模型，通过将温度、二氧化碳、光照环境因子归一化处理作为模型的输入样本集，建立的BP神经网络模型：式中n表示输入节点数，l表示隐含层节点数，m表示输出节点数，x表示输入量，wij表示输入层和隐含层间连接权值，wjk表示隐含层和输出层间连接权值，aj表示初始化隐含层阈值，bk表示初始化输出层阈值，f()表示隐含层激励函数；建立BP光合速率预测模型：Pn＝net(T,C，D)式中Pn表示光合速率，T表示温度，C表示二氧化碳浓度，D表示光子通量密度，根据输入样本完成对模型Pn＝net(T,C，D)温度、二氧化碳、光子通量密度的实例化，建立不同温度、二氧化碳、光子通量密度条件下的预测函数Pm＝net(Tm,Cm，Dm)；步骤2：在完成上述步骤一中的BP光合速率预测模型建立后，采用改进型鱼群算法对光合速率模型寻优，随机生成初始鱼群，产生的初始鱼群个体的状态向量表示为X＝(x1,x2,…xn)，其中xn为欲寻优变量的不同温度、二氧浓度条件下对应的光饱和点，并利用得到的特定温度下和二氧化碳条件下的寻优目标值函数Fm，通过对鱼群算法中觅食行为、群居行为、追尾行为的处理，使人工鱼的位置不断进行更新，从而使得新鱼群中个体食物浓度不断提高，作物本代最佳光合速率随进化代数增加而逐渐增大，当人工鱼群算法产生新的个体逼近最优解时，其个体食物浓度基本保持恒定，从而完成光合速率寻优。所述步骤二中，融合随机森林算法的光调控模型的具体步骤如下：步骤一：假设X＝{(Xm,ym),m＝1,2,...,M}是经改进型鱼群算法寻优所得不同温度、二氧浓度条件下对应的光饱和点样本集，以此作为光环境优化调控模型的一组训练集，其中Xm是第m个光饱和点对应的温度及二氧化碳浓度，ym是第m个光饱和点样本数据；通过对寻优所得样本集X进行随机抽样产生L棵决策树f(X,θk)集合，构建随机森林，其中，k＝1,2,...,l，θk是第k棵决策树用来选择样本点的随机向量；步骤二：通过Bootstrap采样方法随机生成θk，随机抽取2/3的训练样本点生成第k棵决策树，随机向量θk相互独立且服从统一分布；式中表示每棵决策树产生一个预测的光饱和点所对应的光子通量密度值,表示随机森林预测的光饱和点所对应光子通量密度值通过对所有决策树的预测值取平均所得。建立融合随机森林算法的光调控模型后，为了修正上述模型和提高随机森林的预测精度，采用随机特征选取策略：在每棵决策树的每个节点处，从N个总输入光饱和点变量中随机抽取n个光饱和点变量，并从中选取一个最优光饱和点变量对节点进行分割，然后增加或减小n的数值，直至获得最小的测试误差，此时输出最终输出光子通量密度值就是最优的调控值，其中n≤N，使得最终的调控模型的精度更高。所述步骤三中，树莓派系统框架和智能算法移植具体步骤如下：步骤1：系统控制器采用树莓派3代B型，搭载Linux操作系统，在Qt上完成设备界面的开发，采用7inchHDMILCD触摸显示屏，方便人机交互，从而搭建一种可以实现模型移植的树莓派系统框架和平台体系，在嵌入式平台上实现融合随机森林光环境调控模型的调控目标值进行实时精准计算和本文档来自技高网...

【技术保护点】
1.一种融合随机森林算法的设施光环境调控方法，其特征在于，包括如下步骤：步骤一：根据植物生长过程中，光、二氧化碳和温度的变化对植物光合速率的影响，关联温度、光照、二氧化碳浓度环境因子，使用BP算法建立光合速率预测模型，其次采用改进鱼群算法对光合速率模型进行寻优；步骤二：通过步骤一中寻优算法找到不同温度和二氧化碳条件下的光饱和点，建立融合随机森林算法的光环境调控模型，并通过对随机特征策略选取，聚集大量分类树，提高随机森林模型的预测精度；步骤三：搭建一种可以实现模型移植的树莓派系统框架和平台体系，在调控过程中，实现对智能调控算法的跨平台移植，其设备的硬件结构主要由树莓派主控节点、传感器监测节点和LED调光节点组成，将各节点之间通过ZigBee无线技术实现信息交互，内部采用模块化设计思路；步骤四：完成上述步骤的模型建立和智能算法的跨平台移植后，在实际的调控过程中，通过参数选择界面对调控对象的基本参数的选择，监测节点实时反馈环境情况，直接调用保存好的随机森林模型，在界面中就可以看到模型计算出此时的光环境调控的目标值，通过与环境的输入光照强度比较，计算出当前环境实际需要的光子通量密度值,并将其转化为脉宽调制控制信号，控制LED补光节点根据实际光环境完成动态、精确调控。...

【技术特征摘要】
1.一种融合随机森林算法的设施光环境调控方法，其特征在于，包括如下步骤：步骤一：根据植物生长过程中，光、二氧化碳和温度的变化对植物光合速率的影响，关联温度、光照、二氧化碳浓度环境因子，使用BP算法建立光合速率预测模型，其次采用改进鱼群算法对光合速率模型进行寻优；步骤二：通过步骤一中寻优算法找到不同温度和二氧化碳条件下的光饱和点，建立融合随机森林算法的光环境调控模型，并通过对随机特征策略选取，聚集大量分类树，提高随机森林模型的预测精度；步骤三：搭建一种可以实现模型移植的树莓派系统框架和平台体系，在调控过程中，实现对智能调控算法的跨平台移植，其设备的硬件结构主要由树莓派主控节点、传感器监测节点和LED调光节点组成，将各节点之间通过ZigBee无线技术实现信息交互，内部采用模块化设计思路；步骤四：完成上述步骤的模型建立和智能算法的跨平台移植后，在实际的调控过程中，通过参数选择界面对调控对象的基本参数的选择，监测节点实时反馈环境情况，直接调用保存好的随机森林模型，在界面中就可以看到模型计算出此时的光环境调控的目标值，通过与环境的输入光照强度比较，计算出当前环境实际需要的光子通量密度值,并将其转化为脉宽调制控制信号，控制LED补光节点根据实际光环境完成动态、精确调控。2.根据权利要求1所述融合随机森林算法的设施光环境调控方法，其特征在于，所述步骤一中，光合速率预测模型与寻优模型构建的具体步骤如下：步骤1：根据调控模型实验方案，使用BP算法建立光合速率预测模型，通过将温度、二氧化碳、光照环境因子归一化处理作为模型的输入样本集，建立的BP神经网络模型：式中n表示输入节点数，l表示隐含层节点数，m表示输出节点数，x表示输入量，wij表示输入层和隐含层间连接权值，wjk表示隐含层和输出层间连接权值，aj表示初始化隐含层阈值，bk表示初始化输出层阈值，f()表示隐含层激励函数；建立BP光合速率预测模型：Pn＝net(T,C，D)式中Pn表示光合速率，T表示温度，C表示二氧化碳浓度，D表示光子通量密度，根据输入样本完成对模型Pn＝net(T,C，D)温度、二氧化碳、光子通量密度的实例化，建立不同温度、二氧化碳、光子通量密度条件下的预测函数Pm＝net(Tm,Cm，Dm)；步骤2：在完成上述步骤一中的BP光合速率预测模型建立后，采用改进型鱼群算法对光合速率模型寻优，随机生成初始鱼群，产生的初始鱼群个体的状态向量表示为X＝(x1,x2,…xn)，其中xn为欲寻优变量的不同温度、二氧浓度条件下对应的光饱和点，并利用得到的特定温度下和二氧化碳条件下的寻优目标值函数Fm，通过对鱼群算法中觅食行为、群居行为、追尾行为的处理，使人工鱼的位置不断进行更新，从而使得新鱼群中个体食物浓度不断提高，作物本代最佳光合速率随进化代数增加而逐渐增大，当人工鱼群算法产生新的个体逼近最优解时，其个体食物浓度基本保持恒定，从而完成光合速率寻优。3.根据权利要求1所述融合随机森林算法的设施光环境调控方法，其特征在于，所述步骤二中，融合随机森林算法的光调控模型的具体步骤如下：步骤一：假设X＝{(Xm,ym),m＝1,2,...,M}是经改进型鱼群算法寻优所得不同温度、二氧浓度条件下对应的光饱和点样本集，以此作为光环境优化调控模型的一组训练集，其中Xm是第m个光饱和点对应的温度及二氧化碳浓度，ym是第m个光饱和点样本数据；通过对寻优所得样本集X进行随机抽样产生L棵决策树f(X,θk)集合，构建随机森林，其中，k＝1,2,...,l，θk是第k棵决策树用来选择样本点的...

【专利技术属性】
技术研发人员：张海辉，张仲雄，胡瑾，辛萍萍，张盼，白京华，来海滨，
申请(专利权)人：西北农林科技大学，
类型：发明
国别省市：陕西,61